Détection d'anomalies dans l'IoT : de l'efficacité des données à l'amélioration de la qualité de service
Mustafa Al Samara · HAL (Le Centre pour la Communication Scientifique Directe) · 2023
Les réseaux de capteurs sans fil (WSN) et l'Internet des Objets (IoT) sont essentiels pour la collecte d'informations et la surveillance dans divers domaines tels que la médecine, l'agriculture, l'industrie et la défense. Cependant, ces réseaux sont confrontés au défi des valeurs aberrantes, qu'elles proviennent des capteurs ou de l'environnement hostile. Notre thèse aborde cette problématique en proposant une revue de la littérature, une analyse comparative et des solutions innovantes pour détecter et classifier ces valeurs aberrantes dans les WSN.Nos solutions couvrent des données multivariées, des données en ligne/hors ligne, et offrent des méthodes de regroupement centralisées ou distribuées, avec une analyse avancée des corrélations spatiales et temporelles. Nous intégrons des méthodes de détection natives à des algorithmes de regroupement existants. Nos solutions se distinguent par leur efficacité, leur temps d'exécution raisonnable et leur faible complexité, surpassant d'autres travaux. Les résultats de simulations confirment leur efficacité en améliorant plusieurs métriques de détection et de classification des valeurs aberrantes, tels que le taux de détection (DR), le taux d'alarme falsifiée (FAR), le taux de précision (ACC), le F1-score, et l'Aire sous la Courbe (AUC).